从多场宇宙学中提升天体物理学恢复的预测不确定性
摘要：基于多个宇宙学领域中的信息，我们研究了宇宙学和天体物理参数（$Omega_{mm}$，$sigma_8$，$A_{mSN1}$，$A_{mSN2}$）的限制如何变化。我们利用卷积神经网络从IllustrisTNG项目的不同场地图组合中提取出显著的特征。所考虑的场地包括中性氢（HI），气体密度（Mgas），磁场（B）和气体金属丰度（Z）。我们通过使用蒙特卡罗dropout进行贝叶斯近似来估计模型预测的不确定性。结果显示，随着输入通道数量的增加，模型对所有参数的性能都有所提高。与先前的工作相比，我们的模型在预测天体物理参数时准确性高出5％。在包括所有场地的最佳设置中（四个通道的输入，Mgas-HI-B-Z），模型在所有参数上实现了$R^2>0.96$。类似地，我们发现总不确定性，由瞬时不确定性主导，总体上随着使用更多场地来训练模型而减小。在我们的情况下，通过dropout变分推理获得的不确定性在所有参数上都被高估，即预测不确定性比实际平方误差大得多。在校准后（包括简单的$σ$缩放方法），总不确定性与实际误差的平均偏差最多降至$25％$（对于$A_{mSN1}$）。
作者：Sambatra Andrianomena and Sultan Hassan
论文ID：2208.08927
分类：Cosmology and Nongalactic Astrophysics
分类简称：astro-ph.CO
提交时间：2023-07-05